Question

我花了几个月阅读无数的帖子，我仍然感到困惑，就像我最初的那样。希望有人可以提供帮助。

问题：我想使用时间序列来预测特定位置的天气数据。

设置：

X1和X2都是包含10年指数的每日值的向量（每个向量中总共3650个值）。

Y是纽瓦克机场的温度时间序列（T），每天持续10年（3650天）。

有一个很好的例子，X1和X2可以用作Y的预测变量。所以我将所有内容分解为100天的窗口并创建以下内容：

X1 = (3650,100,1)
X2 = (3650,100,1)

这样窗口1包含从t=0到t=99的值，窗口2包括从t=1到t=100的值等。（假设我有足够的额外数据最后我们还有3650个窗口。）

我从其他教程中学到的是进入Keras我会这样做：

通过合并X = (3650,100,2) = (#_of_windows,window_length,#_of_predictors)和X1得到的

X2。

然后我有了这段代码：

model = Sequential()
model.add(LSTM(1,return_sequences=True,input_shape=(100,2)))

model.add(LSTM(4))
model.add(Dropout(0.2))

model.compile(loss='mean_square_error',optimizer='rmsprop',shuffle=True)
model.fit(X,Y,batch_size=128,epochs=2) # Y is shape (3650,)

predictions = model.predict(?????????????)

所以我的问题是，如何设置model.predict区域以获取将来N天数的预测？有时我可能想要2天，有时我可能需要2周。我只需要返回N值（形状：[N,]），我不需要取回窗口或类似的东西。

非常感谢！

Answer 1

您可以预测的唯一格式是您训练模型的格式。如果我理解正确，您按如下方式训练模型：

您使用了大小为100的窗口（即有时为T-99,T-98,...,T的要素）来预测目标T时的值。

如果情况确实如此，那么您可以对模型做的唯一事情就是使用相同类型的预测。也就是说，您可以提供100天的功能值，并要求模型预测100中最后一天的目标值。

如果您希望它能够预测N天，则必须相应地训练您的模型。也就是说，Y中的每个元素都应包含N天的序列。 Here是一篇博文，介绍了如何做到这一点。

使用Keras的LSTM神经网络预测天气数据

1 个答案: